新冠疫情下金融市场联动效应的有向无环图解析

新冠疫情下金融市场联动效应的有向无环图解析一、引言1.1研究背景与意义2020年初，新冠疫情突如其来，迅速在全球范围内蔓延，给世界经济和金融市场带来了巨大的冲击。疫情的爆发使得各国纷纷采取封锁措施，商业活动受限，供应链中断，消费和投资需求大幅下降，导致全球经济陷入深度衰退。国际货币基金组织（IMF）在2020年4月发布的《世界经济展望》中，将2020年全球经济增长预期大幅下调至-3%，为自20世纪30年代大萧条以来最严重的经济衰退。在这样的背景下，金融市场作为经济的晴雨表，也出现了剧烈的波动。股票市场暴跌，债券市场收益率波动异常，外汇市场汇率大幅震荡，大宗商品价格也经历了剧烈的起伏。例如，2020年2月20日至3月23日期间，美国标普500指数累计跌幅超过30%，创下了自1987年股灾以来的最大跌幅。同时，原油价格也在疫情和沙特与俄罗斯石油价格战的双重影响下，出现了暴跌，2020年4月20日，美国西得克萨斯轻质原油（WTI）5月期货合约价格甚至一度跌至-37.63美元/桶，历史罕见。金融市场之间存在着紧密的联系，一个市场的波动往往会通过各种渠道传导至其他市场，形成联动效应。这种联动效应在新冠疫情期间表现得尤为明显。股市的下跌引发了投资者的恐慌情绪，导致资金从风险资产转向安全资产，如债券和黄金，从而推动债券价格上涨，黄金价格也大幅攀升。同时，由于经济衰退和利率下降的预期，外汇市场上的货币汇率也受到影响，一些国家的货币贬值，而避险货币如美元、日元等则升值。此外，大宗商品市场与股市、汇市之间也存在着相互影响的关系，例如原油价格的下跌不仅影响了能源企业的股价，也对相关国家的货币汇率产生了压力。研究新冠疫情下金融市场间的联动效应具有重要的理论和现实意义。从理论角度来看，深入探究金融市场联动效应有助于进一步完善金融市场理论，揭示金融市场之间的内在联系和传导机制。传统的金融理论在解释金融市场波动时，往往侧重于单个市场的分析，而对市场之间的联动关系研究相对不足。通过对疫情期间金融市场联动效应的研究，可以丰富和拓展金融市场理论，为金融市场的研究提供新的视角和方法。从现实意义来看，对投资者而言，了解金融市场间的联动效应能够帮助他们更好地进行资产配置和风险管理。在疫情这样的极端市场环境下，金融市场的联动性增强，资产价格的波动更加剧烈，投资者面临的风险也相应增加。如果投资者能够准确把握金融市场之间的联动关系，就可以通过分散投资、套期保值等策略，降低投资组合的风险，实现资产的保值增值。例如，当投资者预期股市下跌时，可以适当增加债券或黄金等避险资产的配置比例，以对冲股市下跌带来的损失。对于监管者来说，研究金融市场间的联动效应有助于他们加强金融市场的监管，维护金融市场的稳定。疫情期间，金融市场的异常波动暴露出了金融监管中存在的一些问题，如监管协调不足、风险监测和预警机制不完善等。通过研究金融市场联动效应，监管者可以更好地识别和评估金融市场的系统性风险，加强对金融机构的监管，防范金融风险的跨市场传播。同时，监管者还可以根据金融市场的联动关系，制定更加有效的宏观经济政策和金融监管政策，促进金融市场的健康稳定发展。例如，在疫情期间，各国央行纷纷采取降息、量化宽松等货币政策措施，以稳定金融市场和经济增长。监管者可以通过分析金融市场联动效应，评估这些政策措施的效果，及时调整政策方向和力度。1.2研究方法与创新点本研究采用有向无环图（DirectedAcyclicGraph，DAG）方法对新冠疫情下金融市场间的联动效应进行分析。有向无环图是一种基于因果推断的图形模型，能够清晰地展示变量之间的因果关系和传导路径，克服了传统线性模型在分析复杂经济金融关系时的局限性。通过DAG方法，可以确定不同金融市场之间的直接和间接影响关系，以及各市场在联动效应中的地位和作用，为深入理解金融市场的运行机制提供有力工具。在研究过程中，本研究的创新点主要体现在以下几个方面：在模型构建上，结合疫情期间金融市场的特点，将宏观经济变量、疫情相关指标与金融市场变量纳入统一的DAG模型框架中，全面考虑多种因素对金融市场联动效应的影响，使模型更具现实解释力。例如，将疫情确诊病例数、政府防控政策强度等作为外生变量，研究其如何通过影响宏观经济进而作用于金融市场之间的联动关系。在数据选取上，收集了全球多个主要金融市场在疫情期间高频、多维度的数据，涵盖股票市场、债券市场、外汇市场、大宗商品市场等多个领域，丰富的数据来源能够更全面、细致地刻画金融市场间的联动效应，为研究提供坚实的数据基础。不仅选取了常见的市场指数数据，还纳入了市场流动性指标、投资者情绪指标等，从多个角度分析金融市场的联动现象。从分析视角来看，本研究不仅关注金融市场间的静态联动关系，还深入探讨了疫情发展不同阶段联动效应的动态变化特征，以及不同市场在危机冲击下的响应速度和传导机制差异，为金融市场风险管理和政策制定提供了更具时效性和针对性的建议。例如，研究疫情初期、持续期和缓解期金融市场联动效应的变化规律，分析不同阶段各市场之间因果关系的转变，以及这些变化对投资者和监管者的启示。二、理论基础与文献综述2.1金融市场联动效应理论金融市场联动效应是指不同金融市场之间存在的相互影响、相互关联的关系，一个市场的变化会通过各种传导机制引发其他市场的相应变化。这种联动效应主要通过均值溢出效应和波动溢出效应体现出来，深入理解这两种效应对于剖析金融市场间的内在联系和传导机制至关重要。2.1.1均值溢出效应均值溢出效应，又被称为报酬溢出效应，是指一个金融市场资产价格、收益率等均值的变动能够引起另一个金融市场相应变量的变动。从经济学原理来看，金融市场之间存在紧密的经济联系，当某一市场出现新的信息或冲击时，投资者会根据这些变化重新评估自身的投资组合，调整在不同市场的资产配置，从而导致资金在市场间流动，引发其他市场资产价格或收益率的改变。例如，股票市场的繁荣往往伴随着企业盈利预期的提高，这会吸引更多资金流入股票市场，同时也可能使得债券市场的资金相对减少，导致债券价格下跌、收益率上升，体现出股票市场对债券市场的均值溢出效应。在实际金融市场中，均值溢出效应表现得十分明显。以2020年新冠疫情爆发初期为例，疫情的迅速蔓延导致投资者对经济前景极度担忧，股票市场率先出现大幅下跌。股票价格的下跌使得投资者的财富缩水，为了降低风险，他们纷纷抛售股票，将资金转移到相对安全的债券市场。这一行为导致债券市场的需求大幅增加，债券价格上涨，收益率下降，充分展示了股票市场向债券市场的均值溢出效应。均值溢出效应不仅存在于股票市场和债券市场之间，在外汇市场、大宗商品市场等其他金融市场之间也广泛存在。当一个国家的经济数据表现良好时，其货币在外汇市场上往往会升值，这可能会吸引国际投资者增加对该国资产的投资，进而影响该国股票市场和债券市场的价格和收益率。均值溢出效应在金融市场联动中发挥着重要作用。它反映了市场之间的信息传递和投资者的行为决策，使得不同金融市场之间的价格和收益率形成一种动态的平衡关系。投资者可以通过对均值溢出效应的研究，更好地把握不同金融市场之间的关系，优化资产配置策略，降低投资风险。同时，均值溢出效应也为金融监管部门提供了重要的参考依据，帮助他们及时发现金融市场的异常波动和潜在风险，采取相应的监管措施，维护金融市场的稳定。2.1.2波动溢出效应波动溢出效应是指一个金融市场的波动，即资产价格或收益率的不确定性，会传递到其他金融市场，引起其他市场波动的变化。波动溢出效应的产生源于金融市场之间的信息传递、投资者行为和资金流动等多种因素。当一个市场出现重大信息或冲击时，投资者的风险偏好会发生改变，他们会重新评估投资组合的风险，调整资产配置，从而导致资金在不同市场间流动，这种资金流动会将波动从一个市场传导至其他市场。例如，在金融危机期间，股票市场的大幅波动会引发投资者的恐慌情绪，促使他们减少对风险资产的投资，增加对避险资产的需求，这种资金的流动会导致债券市场、外汇市场等其他市场的波动加剧。波动溢出效应对金融市场稳定性有着重要影响。一方面，适度的波动溢出效应有助于市场之间的风险分散和资源配置优化。当一个市场的波动通过溢出效应传递到其他市场时，其他市场的投资者可以通过调整投资组合来分散风险，使得整个金融市场的风险得到更合理的分配。另一方面，过度的波动溢出效应则可能引发金融市场的系统性风险，导致市场的不稳定。如果一个市场的波动在短时间内迅速传递到其他市场，引发连锁反应，可能会导致整个金融市场陷入恐慌，资产价格暴跌，市场流动性枯竭，甚至引发金融危机。在2008年全球金融危机中，美国次贷市场的波动通过金融机构的资产负债表渠道、投资者的恐慌情绪和资金流动等多种途径，迅速传递到全球股票市场、债券市场、外汇市场等各个金融市场，引发了全球金融市场的剧烈动荡，许多金融机构面临倒闭风险，经济陷入严重衰退。在研究波动溢出效应时，常用的计量方法包括广义自回归条件异方差（GARCH）类模型、Diebold-Yilmaz溢出指数等。GARCH类模型能够刻画金融时间序列的异方差性，通过建立多变量GARCH模型，可以分析不同金融市场之间波动的相互影响。Diebold-Yilmaz溢出指数则是基于向量自回归（VAR）模型的预测误差方差分解，能够测度波动溢出效应的强度和方向，直观地展示金融市场之间的波动传导关系。2.2有向无环图（DAG）方法介绍2.2.1DAG基本原理有向无环图（DirectedAcyclicGraph，DAG）是一种由节点（Vertices）和有向边（DirectedEdges）组成的图结构，其中每条有向边都从一个节点指向另一个节点，并且不存在任何形式的循环路径，即从任何一个节点出发，沿着有向边的方向进行遍历，都不会回到该节点本身。在DAG中，节点通常代表变量、事件或对象，而有向边则表示节点之间的因果关系或依赖关系。如果存在一条从节点A指向节点B的有向边，那么可以认为A是B的直接原因，或者说B依赖于A。DAG在因果关系分析中具有重要的原理和应用价值。传统的统计方法在处理变量之间的关系时，往往侧重于相关性分析，而无法准确地识别因果关系。DAG则通过图形化的方式，直观地展示了变量之间的因果结构，为因果推断提供了有力的工具。根据DAG的结构，可以利用一些规则和算法来确定变量之间的因果效应，如后门准则（BackdoorCriterion）和前门准则（FrontdoorCriterion）。后门准则用于识别和控制混杂因素，通过阻断从原因变量到结果变量的后门路径，从而得到准确的因果效应估计；前门准则则适用于存在不可观测混杂因素的情况，通过利用中介变量的信息来推断因果效应。在实际应用中，DAG的构建通常需要结合先验知识和数据驱动的方法。先验知识可以来自于理论研究、专家经验等，帮助确定变量之间可能存在的因果关系方向。例如，在经济学中，根据供求理论，商品价格的变化会影响需求量，因此可以确定价格是需求量的原因变量，在DAG中表现为从价格节点指向需求量节点的有向边。同时，通过对数据的分析，如格兰杰因果检验（GrangerCausalityTest）、条件独立性检验等，可以进一步验证和完善DAG的结构。格兰杰因果检验可以判断一个变量是否能在统计意义上预测另一个变量的变化，如果一个变量的过去信息能够帮助预测另一个变量的未来值，那么可以认为前者对后者存在格兰杰因果关系，这可以为DAG中边的存在提供依据。2.2.2DAG在金融领域应用近年来，有向无环图在金融领域的应用日益广泛，为研究金融市场之间的联动效应、风险传导机制等提供了新的视角和方法。在金融市场联动分析中，DAG可以清晰地展示不同金融市场之间的因果关系和传导路径。将股票市场、债券市场、外汇市场等作为节点，市场之间的资金流动、信息传递等影响因素作为有向边，构建DAG模型，从而直观地分析各个市场之间的相互作用关系。有学者利用DAG方法研究了全球主要股票市场之间的联动关系，发现美国股票市场在全球股票市场联动中处于核心地位，其波动往往会通过多种渠道传导至其他国家的股票市场。通过DAG模型可以确定美国股票市场对其他市场的直接和间接影响路径，以及其他市场之间的相互关联关系，为投资者进行全球资产配置和风险管理提供了重要参考。在金融风险传导研究中，DAG可以帮助识别风险的源头和传播路径，评估金融系统的稳定性。将金融机构作为节点，机构之间的业务联系、资金往来等作为有向边，构建金融机构间的DAG模型。当某个金融机构出现风险时，可以通过DAG模型分析风险如何在金融机构之间传播，哪些机构可能受到最大的影响，以及整个金融系统的脆弱性所在。在2008年全球金融危机中，通过DAG分析可以清晰地看到美国次贷市场的风险如何通过金融机构的资产负债表、信用违约互换等渠道，迅速传导至全球金融市场，导致众多金融机构陷入困境。此外，DAG在投资组合管理、金融市场预测等方面也有应用。在投资组合管理中，利用DAG分析不同资产之间的因果关系和风险传导路径，可以更有效地进行资产配置，降低投资组合的风险。在金融市场预测中，结合DAG模型和机器学习算法，可以综合考虑多个金融变量之间的因果关系和动态变化，提高预测的准确性。2.3新冠疫情对金融市场影响的研究综述新冠疫情爆发以来，众多学者围绕其对金融市场的影响展开了广泛而深入的研究，取得了一系列有价值的成果，主要集中在金融市场波动、资金流向、政策干预等方面。在金融市场波动方面，大量研究表明疫情引发了金融市场的剧烈波动。学者们通过对股票市场、债券市场、外汇市场和大宗商品市场等多个金融市场的数据分析，发现疫情期间市场的波动性显著增加，资产价格出现了大幅震荡。例如，[学者姓名1]运用GARCH类模型对疫情期间全球主要股票市场的波动率进行了分析，结果显示疫情导致股票市场的波动率急剧上升，且这种高波动状态持续了较长时间。进一步研究发现，不同金融市场之间的波动溢出效应在疫情期间也明显增强，一个市场的波动更容易传导至其他市场，加剧了整个金融市场的不稳定性。在资金流向方面，研究发现疫情期间投资者的风险偏好发生了显著变化，资金流向呈现出明显的特征。在疫情初期，投资者对经济前景的担忧加剧，风险厌恶情绪上升，大量资金从风险资产如股票市场流出，转向相对安全的资产，如债券市场和黄金市场。[学者姓名2]通过对资金流向数据的跟踪分析，发现2020年2月至3月期间，全球股票市场资金净流出规模达到历史高位，而债券市场和黄金市场则吸引了大量资金流入。随着疫情的发展和各国经济刺激政策的出台，资金流向又出现了一定的变化，部分资金开始回流至股票市场，但整体资金流向仍受到疫情发展和经济形势的影响。关于政策干预，各国政府和央行在疫情期间纷纷出台了一系列政策措施，以稳定金融市场和经济发展。学者们对这些政策的效果进行了研究评估。财政政策方面，政府通过增加财政支出、减税降费等措施，缓解企业和居民的经济压力，刺激经济复苏。[学者姓名3]的研究表明，财政政策的实施在一定程度上减轻了疫情对企业的冲击，促进了消费和投资的恢复。货币政策方面，央行通过降息、量化宽松等手段，增加市场流动性，降低融资成本。[学者姓名4]运用事件研究法，分析了央行货币政策对金融市场的影响，发现货币政策的调整有效地稳定了金融市场情绪，降低了市场利率，促进了资金的流动和配置。尽管已有研究在新冠疫情对金融市场影响方面取得了丰富成果，但仍存在一定的局限性。现有研究大多侧重于单一市场或少数几个市场之间的联动分析，对于多个金融市场之间复杂的联动关系和传导机制研究不够全面深入。在研究方法上，虽然采用了多种计量模型，但对于一些新兴的分析方法，如有向无环图等的应用还不够广泛，无法充分揭示金融市场之间的因果关系和动态变化特征。未来的研究可以进一步拓展研究视角，综合运用多种方法，深入探究新冠疫情下金融市场间的联动效应，为金融市场的稳定发展提供更有力的理论支持和实践指导。三、研究设计3.1数据选取与来源为全面深入地探究新冠疫情下金融市场间的联动效应，本研究精心选取了股票、债券、外汇、大宗商品等多个金融市场的相关数据，数据时间跨度从2019年1月1日至2023年12月31日，涵盖了疫情爆发前的一段平稳时期以及疫情期间的各个阶段，旨在通过对不同时期数据的分析，精准捕捉疫情对金融市场联动效应的影响。在股票市场数据方面，选取了全球具有代表性的股票指数，包括美国标准普尔500指数（S&P500）、道琼斯工业平均指数（DJIA）、纳斯达克综合指数（NASDAQ），它们代表了美国金融市场的整体走势，美国作为全球最大的经济体，其股票市场的波动对全球金融市场有着重要的引领作用。英国富时100指数（FTSE100）反映了英国股票市场的表现，英国是欧洲重要的金融中心，其股票市场在欧洲乃至全球金融市场中具有一定的影响力。德国法兰克福DAX指数（DAX）体现了德国股票市场的情况，德国作为欧洲经济的重要支柱，其股票市场的动态对欧洲金融市场格局有着重要影响。日本日经225指数（Nikkei225）代表了日本股票市场的走势，日本是亚洲重要的经济强国，其股票市场在亚洲金融市场中占据重要地位。中国上证指数（SSE）和深证成指（SZSE）则反映了中国股票市场的运行状况，随着中国经济的快速发展和金融市场的逐步开放，中国股票市场在全球金融市场中的影响力日益增强。这些数据均来源于Wind数据库，该数据库提供了全面、准确、及时的金融市场数据，为研究提供了可靠的数据支持。对于债券市场，选择了美国10年期国债收益率（US10YT）、德国10年期国债收益率（DE10YT）、中国10年期国债收益率（CN10YT）作为研究对象。美国10年期国债收益率是全球债券市场的重要基准，其波动对全球资金流向和利率水平有着深远影响。德国10年期国债收益率在欧洲债券市场中具有重要参考价值，反映了欧洲经济的稳定性和市场对未来经济的预期。中国10年期国债收益率则体现了中国债券市场的利率走势，对于研究中国金融市场的资金成本和投资收益具有重要意义。这些债券收益率数据同样来源于Wind数据库。外汇市场数据选取了美元指数（USDX）、欧元兑美元汇率（EURUSD）、英镑兑美元汇率（GBPUSD）、美元兑日元汇率（USDJPY）以及人民币兑美元汇率（USDCNY）。美元指数是衡量美元在国际外汇市场汇率变化的一项综合指标，反映了美元对一篮子主要货币的汇率波动情况，对全球外汇市场的走势有着重要的指引作用。欧元兑美元汇率、英镑兑美元汇率、美元兑日元汇率分别体现了欧元区、英国、日本与美国之间的货币兑换关系，这些汇率的波动不仅反映了相关国家或地区的经济基本面差异，还受到国际政治、货币政策等多种因素的影响。人民币兑美元汇率则是中国外汇市场的重要指标，随着人民币国际化进程的推进，其在国际金融市场中的关注度不断提高。外汇市场数据来源于Bloomberg数据库，该数据库提供了全球外汇市场的实时报价和历史数据，数据质量高，覆盖范围广。在大宗商品市场，本研究收集了国际原油价格（以布伦特原油期货价格Brent和美国西德克萨斯轻质原油期货价格WTI为代表）、黄金价格（以伦敦金现货价格XAUUSD为代表）和白银价格（以伦敦银现货价格XAGUSD为代表）的数据。原油作为全球最重要的能源商品，其价格波动对全球经济和金融市场有着广泛而深远的影响，不仅影响能源行业的发展，还通过成本传导机制影响其他行业的生产和运营。黄金和白银作为传统的避险资产，在金融市场动荡时期，其价格变化往往反映了投资者的避险情绪和市场的风险偏好。大宗商品市场数据来源于路透社（Reuters）数据库，该数据库汇集了全球大宗商品市场的权威数据，能够准确反映大宗商品价格的动态变化。通过对上述多个金融市场多维度数据的收集和整合，本研究构建了一个全面、丰富的数据集，为运用有向无环图方法深入分析新冠疫情下金融市场间的联动效应奠定了坚实的数据基础。3.2变量定义与处理在确定研究数据来源后，需对各金融市场选取的变量进行准确的定义，以确保研究的严谨性和科学性。对于股票市场，选取的股票指数收盘价作为核心变量，用以代表各股票市场的整体价格水平。股票指数是由众多具有代表性的股票组成的，其收盘价综合反映了市场上股票价格的总体走势。以美国标准普尔500指数为例，它包含了500家在美国主要证券交易所上市的大型公司股票，能够全面反映美国股票市场的整体表现。通过对这些股票指数收盘价的分析，可以深入了解股票市场的价格波动特征和变化趋势。在债券市场中，选取10年期国债收益率作为关键变量。国债收益率是指投资者购买国债后所能获得的收益水平，它与债券价格呈反向关系。10年期国债收益率在债券市场中具有重要的参考价值，它不仅反映了市场对未来经济增长和通货膨胀的预期，还受到货币政策、财政政策等多种因素的影响。当市场预期经济增长放缓时，投资者往往会增加对国债的需求，导致国债价格上涨，收益率下降；反之，当市场预期经济增长加快时，国债收益率则可能上升。外汇市场方面，将汇率作为核心变量。汇率是两种货币之间的兑换比率，它反映了不同国家货币的相对价值。例如，美元指数是衡量美元在国际外汇市场汇率变化的一项综合指标，它通过计算美元与一篮子主要货币的汇率加权平均数来反映美元的强弱程度。欧元兑美元汇率、英镑兑美元汇率等双边汇率则直接体现了两种货币之间的兑换关系，这些汇率的波动受到经济基本面、利率差异、政治局势等多种因素的影响。大宗商品市场中，原油价格、黄金价格和白银价格是主要变量。原油作为全球最重要的能源商品，其价格波动对全球经济和金融市场有着广泛而深远的影响。黄金和白银作为传统的避险资产，在金融市场动荡时期，其价格变化往往反映了投资者的避险情绪和市场的风险偏好。当市场出现不确定性或风险事件时，投资者通常会增加对黄金和白银的需求，推动其价格上涨；而当市场风险偏好上升时，黄金和白银价格可能会受到一定的压力。在获取原始数据后，为确保数据质量，需要对数据进行一系列处理。首先，对数据进行缺失值处理。数据缺失在金融市场数据中是较为常见的问题，其原因可能包括数据采集失误、数据源故障等。对于缺失值的处理方法有多种，本研究采用线性插值法。线性插值法是基于相邻数据点的数值，通过线性关系来估计缺失值。对于股票指数收盘价的时间序列，如果某一天的数据缺失，而前一天收盘价为P_1，后一天收盘价为P_2，缺失值所在位置为第n天，前一天为第n-1天，后一天为第n+1天，则通过线性插值法计算缺失值P_n的公式为P_n=P_1+\frac{(P_2-P_1)}{(n+1)-(n-1)}\times1。这种方法能够较好地保留数据的连续性和趋势性，在一定程度上减少缺失值对数据分析结果的影响。其次，对数据进行异常值处理。异常值是指与数据集中其他数据点显著不同的数据，可能是由于数据录入错误、市场异常波动等原因导致。采用3\sigma准则来识别和处理异常值。对于一个服从正态分布的数据序列X，其均值为\mu，标准差为\sigma，如果某个数据点x_i满足|x_i-\mu|>3\sigma，则将其视为异常值。对于识别出的异常值，采用中位数替换法进行处理，即将异常值替换为数据序列的中位数。中位数是将数据按照大小顺序排列后，位于中间位置的数值，它对异常值具有较强的稳健性，能够有效避免异常值对数据整体特征的干扰。最后，对数据进行标准化处理。标准化处理是将不同变量的数据转化为具有相同尺度和特征的数据，以便于进行比较和分析。采用Z-score标准化方法，其公式为z_i=\frac{x_i-\overline{x}}{s}，其中z_i是标准化后的数据，x_i是原始数据，\overline{x}是原始数据的均值，s是原始数据的标准差。通过Z-score标准化，使得所有变量的数据均值为0，标准差为1，消除了不同变量之间量纲和数量级的差异，为后续的数据分析和模型构建奠定了良好的基础。3.3基于有向无环图的模型构建构建基于有向无环图（DAG）的金融市场联动效应模型，需遵循一定的步骤并合理设定关键参数，以确保模型能够准确地刻画金融市场之间的复杂关系。首先是确定变量集。将前文选取并处理后的股票市场指数、债券市场收益率、外汇市场汇率以及大宗商品市场价格等作为内生变量纳入模型，这些变量直接反映了各金融市场的运行状况，它们之间的相互作用构成了金融市场联动的核心部分。同时，考虑到新冠疫情对金融市场的重要影响，引入疫情相关指标，如全球每日新增确诊病例数、各国疫情防控政策严格程度指数等作为外生变量。这些外生变量能够捕捉疫情发展态势和政策干预对金融市场的外部冲击，使模型更加全面地反映现实情况。为了进一步控制宏观经济环境对金融市场联动的影响，还纳入宏观经济变量，如全球主要经济体的国内生产总值（GDP）增长率、通货膨胀率、失业率等。这些宏观经济变量是金融市场运行的基础，它们的变化会通过各种渠道影响金融市场之间的联动关系。接着进行数据预处理。在构建DAG模型之前，对数据进行平稳性检验至关重要。采用单位根检验方法，如ADF检验（AugmentedDickey-FullerTest），来判断时间序列数据的平稳性。若数据不平稳，可能会导致模型估计结果出现偏差，产生伪回归等问题。对于不平稳的数据，进行差分处理使其平稳化。对股票指数收盘价进行一阶差分，得到股票市场收益率序列，该序列通常具有更好的平稳性，更适合用于模型分析。然后进行DAG结构学习。这是构建模型的关键步骤，旨在确定变量之间的因果关系结构。常用的结构学习算法包括基于约束的算法和基于得分的算法。基于约束的算法，如PC算法（Peter-Clarkalgorithm），通过条件独立性检验来推断变量之间的因果关系。具体来说，PC算法从一个完全连接的图开始，逐步删除不满足条件独立性的边，从而构建出DAG结构。在实际应用中，对于两个变量X和Y，如果在给定其他变量集合Z的条件下，X和Y相互独立，即P(X,Y|Z)=P(X|Z)P(Y|Z)，则可以认为X和Y之间不存在直接的因果关系，相应的边可以从图中删除。基于得分的算法，如贝叶斯信息准则（BIC，BayesianInformationCriterion）得分搜索算法，通过定义一个得分函数来评估不同DAG结构的优劣，搜索得分最高的DAG结构作为最优模型。BIC得分综合考虑了模型的拟合优度和模型复杂度，其公式为BIC=-2\ln(L)+k\ln(n)，其中\ln(L)是似然函数值，k是模型中的参数个数，n是样本数量。在搜索过程中，不断尝试不同的DAG结构，计算其BIC得分，选择得分最小的结构作为最终的DAG模型结构。该结构能够在拟合数据和避免过拟合之间取得较好的平衡。在结构学习过程中，设置合适的参数对模型结果有重要影响。对于PC算法，需要设置条件独立性检验的显著性水平\alpha。一般来说，\alpha取值越小，对条件独立性的要求越严格，模型中的边会越少，结构越稀疏；反之，\alpha取值越大，模型中的边可能会越多，结构越复杂。通常将\alpha设置为0.05或0.01，本研究根据实际数据特点和模型性能测试，选择合适的\alpha值以确保模型的准确性和可靠性。对于基于得分的算法，如BIC得分搜索算法，参数的选择主要涉及得分函数中的惩罚项系数。惩罚项系数越大，对模型复杂度的惩罚越重，倾向于选择更简单的模型；惩罚项系数越小，模型可能会过度拟合数据。在实际操作中，通过交叉验证等方法来确定最优的惩罚项系数，以获得性能最佳的DAG模型。最后进行模型评估与验证。构建好DAG模型后，需要对模型进行评估和验证，以检验模型的合理性和有效性。采用样本内预测误差和样本外预测误差来评估模型的预测能力。样本内预测误差通过计算模型对训练数据的预测值与实际值之间的误差来衡量，如均方误差（MSE，MeanSquaredError），其公式为MSE=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2，其中y_i是实际值，\hat{y}_i是预测值，n是样本数量。样本外预测误差则通过将模型应用于未参与模型训练的测试数据，计算预测值与实际值之间的误差来评估模型的泛化能力。还可以通过比较不同模型的预测误差，选择预测能力最强的模型作为最终的DAG模型。利用因果效应检验方法，如后门准则和前门准则，对DAG模型中变量之间的因果关系进行验证。后门准则用于识别和控制混杂因素，通过阻断从原因变量到结果变量的后门路径，检验因果效应的一致性。前门准则适用于存在不可观测混杂因素的情况，利用中介变量的信息来推断因果效应。通过这些因果效应检验，可以确保DAG模型中所确定的因果关系具有统计学意义和实际经济含义。通过以上步骤和参数设定，构建出基于有向无环图的金融市场联动效应模型，为深入分析新冠疫情下金融市场间的联动关系奠定了坚实的模型基础。四、实证结果与分析4.1描述性统计分析对选取的金融市场变量进行描述性统计分析，结果如表1所示，旨在初步了解各变量的数据特征和分布情况。表1金融市场变量描述性统计变量均值标准差最小值最大值偏度峰度Jarque-Bera检验统计量S&P5003852.36648.452237.404796.560.152.475.68DJIA31439.675327.1218591.9336952.650.082.383.89NASDAQ12801.452564.786631.4216212.23-0.052.562.17FTSE1006735.28764.594993.907903.50-0.032.421.76DAX14056.321945.6710530.5416278.85-0.122.614.23Nikkei22527895.344123.5618559.6633715.33-0.252.787.95SSE3405.76375.682646.803731.69-0.352.8911.45SZSE13425.881687.459746.2314942.59-0.422.9615.78US10YT1.850.920.503.500.783.4518.65DE10YT0.120.28-0.550.580.363.127.89CN10YT2.950.252.553.28-0.152.753.45USDX96.524.8589.01114.781.123.7835.67EURUSD1.100.061.031.23-0.452.9813.56GBPUSD1.300.081.211.43-0.322.878.95USDJPY109.506.89101.10151.951.454.2356.78USDCNY6.650.286.467.370.853.5625.43Brent62.5418.4520.3785.32-0.182.655.67WTI59.8717.6819.2782.67-0.222.716.98XAUUSD1785.68165.431451.552075.470.353.0510.23XAGUSD23.563.4514.6630.350.283.128.76从均值来看，不同金融市场变量的数值水平存在明显差异。在股票市场中，美国的S&P500指数均值为3852.36，DJIA均值为31439.67，NASDAQ均值为12801.45，反映出美国股票市场较高的市值水平。欧洲的FTSE100指数均值为6735.28，DAX指数均值为14056.32，日本的Nikkei225指数均值为27895.34，中国的SSE均值为3405.76，SZSE均值为13425.88，体现了不同地区股票市场的规模和发展程度的差异。债券市场方面，美国10年期国债收益率（US10YT）均值为1.85%，德国10年期国债收益率（DE10YT）均值为0.12%，中国10年期国债收益率（CN10YT）均值为2.95%，反映出不同国家债券市场的利率水平和经济环境的差异。美国和中国的国债收益率相对较高，可能与两国的经济增长预期、通货膨胀水平以及货币政策等因素有关；而德国国债收益率较低，可能受到欧洲经济整体状况和欧洲央行货币政策的影响。外汇市场中，美元指数（USDX）均值为96.52，反映了美元在国际外汇市场的综合强弱程度。欧元兑美元汇率（EURUSD）均值为1.10，英镑兑美元汇率（GBPUSD）均值为1.30，美元兑日元汇率（USDJPY）均值为109.50，人民币兑美元汇率（USDCNY）均值为6.65，这些汇率的均值体现了不同货币之间的兑换关系和相对价值，受到各国经济基本面、利率差异、政治局势等多种因素的影响。大宗商品市场，布伦特原油价格（Brent）均值为62.54美元/桶，美国西德克萨斯轻质原油价格（WTI）均值为59.87美元/桶，黄金价格（XAUUSD）均值为1785.68美元/盎司，白银价格（XAGUSD）均值为23.56美元/盎司，这些价格均值反映了大宗商品市场的平均价格水平，其波动受到全球经济增长、地缘政治、供需关系等多种因素的影响。标准差衡量了数据的离散程度，从表1中可以看出，各金融市场变量的标准差也存在差异。股票市场中，NASDAQ的标准差为2564.78，相对较大，说明其指数波动较为剧烈，反映出科技股为主的NASDAQ市场具有较高的风险性和波动性。而FTSE100的标准差为764.59，相对较小，表明英国股票市场的波动相对较小，稳定性较高。债券市场中，US10YT的标准差为0.92，波动相对较大，反映出美国国债收益率受到多种因素影响，波动较为频繁。而CN10YT的标准差为0.25，相对较小，说明中国国债收益率相对稳定，这可能与中国相对稳定的经济环境和货币政策有关。外汇市场中，USDJPY的标准差为6.89，波动较大，反映出美元兑日元汇率受到多种因素影响，波动较为频繁。而EURUSD的标准差为0.06，相对较小，说明欧元兑美元汇率相对稳定。大宗商品市场中，Brent和WTI的标准差分别为18.45和17.68，波动较大，反映出原油价格受到全球经济形势、地缘政治、供需关系等多种因素影响，价格波动较为剧烈。而XAUUSD的标准差为165.43，XAGUSD的标准差为3.45，黄金和白银价格也具有一定的波动性，但相对原油价格波动较小。偏度用于衡量数据分布的不对称程度。当偏度为0时，数据分布呈对称分布；当偏度大于0时，数据分布呈现右偏态，即长尾在右侧，数据存在较大的极端值；当偏度小于0时，数据分布呈现左偏态，即长尾在左侧，数据存在较小的极端值。在股票市场中，S&P500的偏度为0.15，呈现右偏态，说明其数据存在一些较大的极端值，可能与市场的突发事件或重大利好消息有关。而SSE的偏度为-0.35，呈现左偏态，说明其数据存在一些较小的极端值，可能与市场的调整或负面消息有关。峰度用于衡量数据分布的尖峰程度。当峰度为3时，数据分布与正态分布的峰度相同；当峰度大于3时，数据分布呈现尖峰态，即数据在均值附近的聚集程度较高，极端值出现的概率相对较大；当峰度小于3时，数据分布呈现平峰态，即数据在均值附近的聚集程度较低，极端值出现的概率相对较小。在股票市场中，SSE的峰度为2.89，略小于3，呈现平峰态，说明其数据在均值附近的聚集程度相对较低，极端值出现的概率相对较小。而US10YT的峰度为3.45，大于3，呈现尖峰态，说明其数据在均值附近的聚集程度较高，极端值出现的概率相对较大。通过Jarque-Bera检验统计量对各变量是否服从正态分布进行检验。该检验基于数据的偏度和峰度，原假设为数据服从正态分布。从表1中可以看出，所有变量的Jarque-Bera检验统计量均大于相应的临界值（在5%显著性水平下，临界值约为5.99），因此拒绝原假设，即各金融市场变量均不服从正态分布。这表明金融市场数据具有非正态分布的特征，传统的基于正态分布假设的统计方法可能不适用于分析这些数据，需要采用更加灵活和稳健的方法，如有向无环图（DAG）方法，来研究金融市场间的联动效应。综上所述，通过对各金融市场变量的描述性统计分析，初步了解了它们的数据特征和分布情况，为后续基于有向无环图的金融市场联动效应分析奠定了基础。4.2有向无环图估计结果基于前文构建的有向无环图（DAG）模型，运用PC算法进行结构学习，得到金融市场间的联动关系图，如图1所示。在图1中，节点代表不同的金融市场变量，有向边表示变量之间的因果关系，箭头方向表示因果影响的方向。例如，从股票市场节点指向债券市场节点的有向边，表示股票市场的变化会对债券市场产生因果影响。图1金融市场间的有向无环图从图1中可以清晰地看出，股票市场在金融市场联动中处于较为核心的地位，与多个市场存在直接或间接的联系。美国股票市场（S&P500、DJIA、NASDAQ）对其他国家和地区的股票市场具有显著的直接影响。S&P500对英国FTSE100、德国DAX、日本Nikkei225以及中国上证指数和深证成指均有直接的有向边连接，这表明美国股票市场的波动会直接传导至其他国家的股票市场。这一结果与国际金融市场的实际情况相符，美国作为全球最大的经济体和金融中心，其股票市场的走势往往会引领全球股票市场的方向。当美国股票市场出现大幅下跌时，投资者对全球经济前景的信心会受到打击，风险偏好降低，他们会减少对其他国家股票市场的投资，导致其他国家股票市场的资金流出，股价下跌。这种传导机制主要通过投资者的资产配置调整和市场情绪传播来实现。投资者在进行全球资产配置时，会将美国股票市场作为重要的参考指标，当美国股票市场表现不佳时，他们会调整投资组合，减少对其他高风险资产的投资，增加对避险资产的配置。股票市场与债券市场之间存在着紧密的联系。在DAG图中，股票市场节点与债券市场节点之间存在双向的有向边。股票市场的下跌会导致投资者将资金从股票市场转移到债券市场，推动债券价格上涨，收益率下降；反之，债券市场收益率的变化也会影响投资者对股票市场的预期和投资决策。当债券市场收益率下降时，投资者会认为债券的投资回报率降低，从而增加对股票市场的投资，推动股票价格上涨。在2020年疫情爆发初期，股票市场大幅下跌，投资者纷纷抛售股票，将资金投向债券市场，导致债券市场价格上涨，收益率大幅下降。美国10年期国债收益率在2020年3月大幅下降，从年初的约1.8%降至最低的约0.5%左右。这种股票市场与债券市场之间的反向联动关系，体现了投资者在不同市场之间进行资产配置以平衡风险和收益的行为。外汇市场与其他金融市场之间也存在着明显的联动关系。美元指数作为全球外汇市场的重要指标，与股票市场、债券市场以及大宗商品市场均有直接的联系。当美元指数上涨时，意味着美元升值，其他货币相对贬值。这会导致以美元计价的大宗商品价格下跌，因为对于其他货币持有者来说，购买大宗商品的成本增加。美元升值还会影响国际资金的流动，可能导致资金回流美国，对其他国家的股票市场和债券市场产生负面影响。在2020年疫情期间，美元指数在3月份出现了大幅上涨，最高接近103，同期原油价格大幅下跌，布伦特原油价格从年初的约65美元/桶下跌至最低的约20美元/桶左右。这表明美元指数的波动通过影响资金流动和商品价格，对大宗商品市场产生了显著的影响。大宗商品市场与其他金融市场之间也存在着复杂的联动关系。原油价格作为大宗商品市场的重要指标，与股票市场和债券市场之间存在间接的联系。原油价格的波动会影响能源企业的盈利状况，进而影响股票市场中能源板块的表现。原油价格下跌会导致能源企业的利润下降，股票价格下跌，从而对整个股票市场产生负面影响。原油价格的变化还会通过影响通货膨胀预期和经济增长预期，对债券市场产生影响。在2020年疫情期间，原油价格的暴跌导致能源企业股价大幅下跌，美国能源股指数在2020年第一季度跌幅超过30%。同时，原油价格下跌引发了市场对通缩的担忧，债券市场收益率下降，债券价格上涨，体现了大宗商品市场与股票市场、债券市场之间的联动关系。通过有向无环图的估计结果，全面、直观地展示了新冠疫情下金融市场间复杂的联动关系，明确了各市场在联动效应中的地位和作用，以及市场之间的直接和间接联系，为进一步分析金融市场联动效应的影响因素和传导机制奠定了基础。4.3联动效应的时变特征分析为深入探究新冠疫情不同阶段金融市场联动效应的动态变化，采用滚动窗口方法进行分析。该方法通过在时间序列上滑动固定长度的窗口，对每个窗口内的数据进行独立分析，从而捕捉到金融市场联动关系随时间的演变特征。在本研究中，设定滚动窗口长度为120个交易日，步长为1个交易日。以2020年1月1日为起始点，依次对每个滚动窗口内的数据进行有向无环图（DAG）估计，得到不同时间窗口下金融市场间的联动关系。通过这种方式，可以清晰地观察到随着疫情的发展，金融市场联动效应在不同阶段的变化情况。在疫情爆发初期（2020年1月-2020年3月），从滚动窗口的DAG估计结果来看，股票市场与债券市场之间的联动关系迅速增强，且呈现出明显的负向联动。股票市场的大幅下跌引发了投资者的恐慌情绪，大量资金从股票市场流向债券市场，导致债券价格上涨，收益率下降。以2020年2月1日-2020年6月1日这一滚动窗口为例，DAG图中股票市场节点与债券市场节点之间的有向边权重显著增加，表明两者之间的因果关系强度增强。股票市场与外汇市场之间的联动也较为显著。疫情的爆发使得全球经济前景充满不确定性，投资者对风险资产的需求下降，纷纷抛售股票，导致股票价格下跌。同时，投资者为了规避风险，大量买入美元等避险货币，使得美元指数上涨，其他货币相对贬值。在这一时期的DAG图中，可以看到股票市场节点与美元指数节点之间存在明显的有向边，且方向指向美元指数，说明股票市场的下跌对美元指数的上涨具有推动作用。随着疫情的持续蔓延（2020年4月-2020年9月），金融市场联动效应进一步发生变化。债券市场与外汇市场之间的联动关系逐渐凸显。各国央行纷纷采取宽松的货币政策，降低利率，增加货币供应量，以刺激经济复苏。这导致债券市场收益率进一步下降，同时也使得本国货币贬值。以美国为例，美联储的量化宽松政策使得美国10年期国债收益率持续走低，美元指数也出现了一定程度的下跌。在这一阶段的滚动窗口DAG图中，债券市场节点与外汇市场节点之间的有向边变得更加明显，且债券市场收益率的变化对汇率波动的影响方向为负向。大宗商品市场与股票市场、债券市场之间的联动关系也呈现出动态变化。在疫情持续期间，原油价格的波动对股票市场和债券市场产生了重要影响。原油价格的下跌导致能源企业的盈利下降，股票市场中能源板块的股价大幅下跌，进而影响整个股票市场的表现。原油价格的变化还通过影响通货膨胀预期和经济增长预期，对债券市场产生影响。在2020年5月1日-2020年9月1日的滚动窗口DAG图中，可以看到原油价格节点与股票市场节点、债券市场节点之间的有向边存在且方向明确，表明原油价格的波动对股票市场和债券市场具有显著的因果影响。在疫情缓解阶段（2020年10月-2020年12月），随着各国疫情防控措施取得一定成效，经济逐渐复苏，金融市场联动效应也出现了新的变化。股票市场与债券市场之间的联动关系有所减弱，投资者的风险偏好逐渐恢复，对股票市场的投资信心增强，资金开始回流股票市场，债券市场的资金流入相对减少。在这一时期的滚动窗口DAG图中，股票市场节点与债券市场节点之间的有向边权重有所下降，表明两者之间的因果关系强度减弱。外汇市场与大宗商品市场之间的联动关系也发生了改变。随着经济的复苏，市场对大宗商品的需求增加，推动大宗商品价格上涨。大宗商品价格的上涨使得相关企业的盈利预期改善，吸引资金流入，进而对本国货币产生支撑作用。在2020年11月1日-2020年12月31日的滚动窗口DAG图中，外汇市场节点与大宗商品市场节点之间的有向边方向发生了变化，反映出两者之间的联动关系在疫情缓解阶段的动态调整。通过滚动窗口方法对不同疫情阶段金融市场联动效应的分析，清晰地揭示了金融市场联动关系的时变特征。在疫情发展的不同阶段，金融市场之间的联动关系在强度和方向上都发生了显著变化，这为投资者和监管者提供了重要的参考信息，有助于他们更好地把握金融市场的动态变化，制定相应的投资策略和监管政策。4.4稳健性检验为验证前文实证结果的可靠性，本研究进行了多方面的稳健性检验，主要从数据样本调整和模型设定变更两个角度展开。在数据样本调整方面，首先，考虑到数据的异常值可能对结果产生影响，对原始数据进行了缩尾处理。具体操作是将各金融市场变量的上下1%分位数的数据分别调整为1%分位数和99%分位数的值。例如，对于股票市场的S&P500指数，将其小于1%分位数的值调整为1%分位数的值，大于99%分位数的值调整为99%分位数的值。经过缩尾处理后，重新进行有向无环图（DAG）估计。结果显示，金融市场间的联动关系在整体结构上与原结果保持一致。股票市场与债券市场、外汇市场以及大宗商品市场之间的因果关系方向和强度变化不大，依然呈现出股票市场对债券市场的负向联动，以及美元指数对大宗商品市场价格的反向影响等关键关系。这表明原实证结果对数据异常值具有一定的稳健性，异常值的存在并未改变金融市场间联动关系的本质特征。其次，为了检验不同时间跨度对结果的影响，缩短数据样本区间，选取疫情期间波动较为剧烈的2020年1月1日至2021年12月31日的数据进行分析。在这一较短的时间区间内，重新构建DAG模型并进行估计。结果表明，各金融市场之间的联动关系在该时间段内同样显著存在，且与全样本数据下的联动模式基本相符。股票市场在金融市场联动中仍然处于核心地位，与其他市场之间的传导路径和因果关系方向保持稳定。在疫情期间，股票市场的波动依然能够迅速传导至债券市场和外汇市场，引发相应的市场变化。这说明研究结果在不同时间跨度下具有一定的稳定性，不受数据样本时间区间选取的显著影响。在模型设定变更方面，采用基于贝叶斯信息准则（BIC）得分搜索算法替代PC算法进行DAG结构学习。BIC得分搜索算法通过定义一个得分函数来评估不同DAG结构的优劣，搜索得分最高的DAG结构作为最优模型。在运用BIC得分搜索算法时，根据数据特点和模型性能测试，合理调整得分函数中的惩罚项系数。经过多次试验，确定了最优的惩罚项系数，使得模型在拟合数据和避免过拟合之间取得较好的平衡。基于BIC得分搜索算法得到的DAG估计结果显示，金融市场间的联动关系与PC算法下的结果高度相似。各市场之间的因果关系方向和重要的联动路径基本一致，进一步验证了实证结果对模型设定的稳健性。股票市场与债券市场、外汇市场、大宗商品市场之间的联动关系在不同算法下均得到了一致的体现，说明研究结论不依赖于特定的DAG结构学习算法，具有较强的可靠性。通过上述稳健性检验，无论是调整数据样本还是变更模型设定，金融市场间的联动效应及相关结论均保持相对稳定，从而有力地验证了前文实证结果的可靠性，增强了研究结论的可信度和说服力。五、案例分析5.1典型金融市场在疫情下的联动表现5.1.1股票市场与债券市场联动案例以2020年疫情爆发初期为例，股票市场受到疫情的冲击率先出现大幅下跌。2020年2月20日至3月23日期间，美国标普500指数累计跌幅超过30%。在这一阶段，股票市场的下跌引发了投资者的恐慌情绪，大量资金从股票市场流出，转而流入债券市场。根据国际金融协会（IIF）的数据，2020年3月，全球股票基金资金流出规模达到历史高位，而债券基金则吸引了大量资金流入，债券市场资金净流入超过500亿美元。资金的流向变化直接导致了债券市场价格和收益率的变动。随着资金的大量流入，债券市场需求增加，推动债券价格上涨，收益率下降。美国10年期国债收益率在2020年3月大幅下降，从年初的约1.8%降至最低的约0.5%左右。这种股票市场与债券市场之间的反向联动关系，体现了投资者在不同市场之间进行资产配置以平衡风险和收益的行为。当股票市场风险增加时，投资者为了降低投资组合的风险，会将资金转移到相对安全的债券市场，从而导致债券市场价格上升，收益率下降。在2020年4月至2020年9月期间，随着疫情的持续蔓延，各国政府和央行纷纷出台经济刺激政策。这些政策对股票市场和债券市场产生了不同的影响，进一步加剧了两者之间的联动效应。央行的量化宽松政策使得市场流动性增加，债券市场收益率进一步下降，这使得债券的投资回报率降低。部分投资者为了追求更高的收益，开始将资金回流至股票市场，推动股票价格上涨。在此期间，美国标普500指数从3月的低点逐步回升，涨幅超过40%。股票市场和债券市场之间的联动关系还受到宏观经济数据和市场预期的影响。当宏观经济数据显示经济复苏迹象时，投资者对股票市场的预期改善，会增加对股票的投资，导致股票价格上涨。经济复苏预期也会使得投资者对债券市场的需求下降，债券价格下跌，收益率上升。相反，当宏观经济数据不佳时，股票市场和债券市场的表现则会相反。5.1.2外汇市场与大宗商品市场联动案例在2020年疫情爆发初期，外汇市场和大宗商品市场都受到了巨大的冲击，两者之间的联动效应显著。随着疫情在全球范围内的迅速蔓延，市场对经济前景的担忧加剧，投资者纷纷抛售风险资产，导致大宗商品价格暴跌。原油价格在疫情和沙特与俄罗斯石油价格战的双重影响下，出现了暴跌。2020年4月20日，美国西得克萨斯轻质原油（WTI）5月期货合约价格甚至一度跌至-37.63美元/桶，历史罕见。原油价格的暴跌对相关国家的货币汇率产生了压力。以加拿大为例，加拿大是重要的原油出口国，原油价格的下跌导致加拿大经济受到严重冲击，加元在外汇市场上大幅贬值。2020年3月至4月期间，美元兑加元汇率从1.32左右一度上涨至1.46左右，涨幅超过10%。这是因为原油价格下跌使得加拿大的出口收入减少，经济增长预期下降，投资者对加元的信心减弱，从而导致加元在外汇市场上的需求下降，价格下跌。与此同时，美元作为全球主要的避险货币，在疫情期间受到投资者的青睐。投资者纷纷买入美元，导致美元指数上涨。2020年3月，美元指数最高接近103，较年初上涨超过5%。美元指数的上涨又进一步对大宗商品价格产生负面影响。由于大宗商品大多以美元计价，美元升值使得其他货币购买大宗商品的成本增加，从而抑制了大宗商品的需求，导致大宗商品价格进一步下跌。随着疫情的发展和各国经济刺激政策的出台，外汇市场和大宗商品市场的联动关系也发生了变化。2020年5月之后，随着各国开始逐步复工复产，经济复苏预期增强，大宗商品价格开始企稳回升。黄金价格作为重要的大宗商品，在疫情期间受到投资者避险需求的推动，价格大幅上涨。2020年8月，黄金价格一度突破2000美元/盎司，创下历史新高。黄金价格的上涨对一些国家的货币汇率产生了影响。以澳大利亚为例，澳大利亚是重要的黄金生产国，黄金价格的上涨使得澳大利亚的出口收入增加，经济增长预期改善，澳元在外汇市场上受到支撑。2020年5月至8月期间，澳元兑美元汇率从0.63左右上涨至0.72左右，涨幅超过10%。这表明大宗商品价格的变化通过影响相关国家的经济基本面，进而对其货币汇率产生了影响。外汇市场和大宗商品市场之间的联动关系还受到全球经济形势、地缘政治等多种因素的影响。在全球经济复苏不均衡的情况下，不同国家的货币汇率和大宗商品价格走势会出现分化。地缘政治紧张局势也会导致大宗商品价格波动，进而影响外汇市场的稳定。5.2政策干预对金融市场联动的影响案例在新冠疫情期间，各国纷纷出台财政和货币政策，旨在稳定金融市场，缓解疫情对经济的冲击，这些政策对金融市场联动效应产生了显著的调节作用。以美国为例，财政政策方面，美国政府实施了大规模的财政刺激计划。2020年3月，美国通过了《冠状病毒援助、救济和经济安全法案》（CARESAct），总规模高达2.2万亿美元。该法案包括向美国民众直接发放现金补贴，每个符合条件的成年人可获得1200美元，每个儿童可获得500美元；为企业提供大量的贷款援助和税收减免，以帮助企业维持运营，减少裁员。这些措施有效地缓解了疫情对居民和企业的经济压力，稳定了市场信心。从金融市场联动角度来看，财政刺激政策对股票市场和债券市场的联动关系产生了重要影响。随着财政刺激政策的实施，市场对经济复苏的预期增强，股票市场投资者信心回升，资金流入股票市场，推动股票价格上涨。美国标普500指数在2020年3月触底后开始逐步回升，到2020年底涨幅超过60%。财政刺激政策导致政府债券发行量增加，债券市场的供需关系发生变化。为了筹集财政刺激所需的资金，美国政府大量发行国债，这使得债券市场的供给增加。在需求方面，由于央行的货币政策配合，市场流动性充足，投资者对债券的需求也较为稳定。美国10年期国债收益率在财政刺激政策实施后，虽然有所波动，但整体仍维持在较低水平。这表明财政政策通过影响市场供需和投资者预期，调节了股票市场和债券市场之间的联动关系。货币政策方面，美联储采取了一系列激进的措施。2020年3月，美联储将联邦基金利率目标区间下调至0-0.25%的超低水平，同时启动量化宽松政策，大规模购买国债和抵押支持证券（MBS）。在2020年3月至2020年底期间，美联储资产负债表规模大幅扩张，从约4.2万亿美元增加到约7.4万亿美元。这些货币政策措施对金融市场联动产生了多方面的影响。在外汇市场与其他金融市场的联动中，美联储的货币政策发挥了关键作用。由于美元在国际货币体系中的核心地位，美联储的货币政策调整对全球外汇市场和其他金融市场有着广泛的影响。随着美联储的降息和量化宽松政策的实施，美元流动性增加，美元指数出现了一定程度的波动。在2020年3月至5月期间，美元指数先升后降，最高接近103，随后逐渐回落至95左右。美元指数的波动对大宗商品市场产生了重要影响。由于大宗商品大多以美元计价，美元指数的变化会影响大宗商品的价格。在美元指数下降期间，以美元计价的原油、黄金等大宗商品价格出现了上涨。黄金价格在2020年8月一度突破2000美元/盎司，创下历史新高；原油价格也从2020年4月的低点逐步回升。这表明美联储的货币政策通过影响美元汇率，调节了外汇市场与大宗商品市场之间的联动关系。在股票市场与债券市场的联动中，美联储的货币政策同样起到了重要作用。低利率环境使得债券的收益率下降，投资者为了追求更高的收益，将资金从债券市场转移到股票市场，推动股票价格上涨。同时，量化宽松政策增加了市场流动性，使得企业的融资环境得到改善，有利于企业的发展和盈利，进一步支撑了股票市场的上涨。美联储的货币政策也使得债券市场的稳定性增强，尽管债券收益率下降，但由于央行的大量购买，债券市场的供需保持相对平衡，避免了债券价格的大幅波动。这表明美联储的货币政策通过调节市场流动性和利率水平，影响了股票市场和债券市场之间的联动关系。再看中国的情况，财政政策方面，中国政府加大了财政支出力度，实施了积极的财政政策。2020年，中国发行了1万亿元抗疫特别国债，新增地方政府专项债券额度3.75万亿元，用于支持疫情防控、基础设施建设、民生保障等领域。政府还出台了一系列减税降费政策，2020年全年新增减税降费超过2.5万亿元，有效减轻了企业负担，激发了市场活力。这些财政政策对中国金融市场联动产生了积极影响。在股票市场和债券市场方面，财政政策的实施增强了市场对经济复苏的信心，股票市场表现出较强的韧性。上证指数在2020年3月触底后逐步回升，全年涨幅超过13%。财政政策的实施也使得债券市场保持稳定。政府债券发行量的增加为债券市场提供了更多的投资标的，同时财政资金的投入促进了经济的稳定发展，提高了债券的信用质量，吸引了投资者的关注。中国10年期国债收益率在2020年虽然有所波动，但整体保持在相对稳定的水平。这表明中国的财政政策通过稳定经济和市场信心，调节了股票市场和债券市场之间的联动关系。货币政策方面，中国人民银行采取了稳健的货币政策，保持流动性合理充裕。2020年，央行多次下调存款准备金率，累计下调1.5个百分点，释放长期资金约1.75万亿元。央行还通过公开市场操作、中期借贷便利（MLF）等工具，调节市场利率，引导资金流向实体经济。中国央行的货币政策对金融市场联动产生了重要影响。在外汇市场与其他金融市场的联动中，货币政策保持了人民币汇率的基本稳定。尽管受到疫情和全球经济形势的影响，人民币汇率在2020年出现了一定波动，但央行通过市场干预和政策引导，使得人民币汇率在合理均衡水平上保持基本稳定。人民币兑美元汇率在2020年先贬后升，从年初的约6.97贬值到5月的约7.14，随后逐步升值到年底的约6.52。人民币汇率的稳定有助于稳定外汇市场和其他金融市场的预期，促进了金融市场之间的良性联动。在股票市场和债券市场的联动中，央行的货币政策为市场提供了充足的流动性，降低了企业的融资成本，有利于股票市场和债券市场的稳定发展。低利率环境使得债券的吸引力相对下降，部分资金流入股票市场，推动股票价格上涨。同时，货币政策的稳定实施也使得债券市场的收益率保持在合理水平，债券市场的稳定性增强。这表明中国央行的货币政策通过调节市场流动性和利率水平，对股票市场和债券市场之间的联动关系起到了重要的调节作用。通过美国和中国等国家在新冠疫情期间的案例可以看出，财政政策和货币政策在调节金融市场联动效应方面发挥了重要作用。财政政策通过影响市场供需和投资者预期，货币政策通过调节市场流动性和利率水平，共同作用于金融市场，缓解了疫情对金融市场的冲击，促进了金融市场之间的稳定联动。六、结论与政策建议6.1研究结论总结本研究通过运用有向无环图（DAG）方法，对新冠疫情下金融市场间的联动效应进行了深入探究，全面分析了股票、债券、外汇和大宗商品等多个金融市场之间的复杂关系，得出以下主要结论。在金融市场联动的整体结构方面，股票市场在金融市场联动中处于核心地位，与其他多个金融市场存在紧密的直接或间接联系。美国股票市场作为全球金融市场的重要风向标，对其他国家和地区的股票市场具有显著的直接影响，其波动能够迅速传导至全球股票市场，引领全球股票市场的走势。股票市场与债券市场之间存在着明显的双向联动关系，股票市场的波动会引发投资者资产配置的调整，进而导致债券市场价格和收益率的变动；债券市场收益率的变化也会反过来影响投资者对股票市场的预期和投资决策。外汇市场与其他金融市场之间的联动关系也较为明显。美元指数作为全球外汇市场的关键指标，与股票市场、债券市场以及大宗商品市场均存在直接联系。美元指数的波动会通过影响资金流动和商品价格，对其他金融市场产生重要影响。当美元指数上涨时，以美元计价的大宗商品价格往往下跌，同时可能导致资金回流美国，对其他国家的股票市场和债券市场造成负面影响。大宗商品市场与其他金融市场之间存在复杂的联动关系。原油价格作为大宗商品市场的重要指标，其波动会影响能源企业的盈利状况，进而影响股票市场中能源板块的表现；还会通过影响通货膨胀预期和经济增长预期，对债券市场产生影响。从金融市场联动效应的时变特征来看，在新冠疫情不同阶段，金融市场联动效应呈现出动态变化。在疫情爆发初期，股票市场与债券市场之间的负向联动迅速增强，股票市场的下跌引发大量资金流向债券市场，债券价格上涨，收益率下降；股票市场与外汇市场之间的联动也较为显著，股票市场的下跌推动美元指数上涨。随着疫情的持续蔓延，债券市场与外汇市场之间的联动关系逐渐凸显，各国央行的宽松货币政策导致债券市场收益率下降，本国货币贬值。大宗商品市场与股票市场、债券市场之间的联动关系也发生了明显变化，原油价格的波动对股票市场和债券市场产生了重要影响。在疫情缓解阶段，股票市场与债券市场之间的联动关系有所减弱，投资者的风险偏好逐渐恢复，资金开始回流股票市场。外汇市场与大宗商品市场之间的联动关系也发生了改变，随着经济的复苏，大宗商品价格上涨，对本国货币产生支撑作用。通过多方面的稳健性检验，本研究验证了实证结果的可靠性。无论是对数据样本进行调整，如进行缩尾处理或缩短数据样本区间，还是变更模型设定，如采用基于贝叶斯信息准则（BIC）得分搜索算法替代PC算法进行DAG结构学习，金融市场间的联动效应及相关结论均保持相对稳定。通过典型案例分析，进一步验证了金融市场联动效应的存在和特征。在股票市场与债券市场联动案例中，2020年疫情爆发初期，股票市场的下跌引发资金流向债券市场，债券价格上涨，收益率下降；随着疫情的发展和政策的出台，两者之间的联动关系不断变化。在外汇市场与大宗商品市场联动案例中，疫情期间原油价格的暴跌导致相关国家货币汇率贬值，美元指数的波动对大宗商品价格产生重要影响；随着经济复苏预期增强，大宗商品价格上涨，对部分国家货币汇率产生支撑作用。政策干预在调节金融市场联动效应方面发挥了重要作用。以美国和中国为例，财政政策通过影响市场供需和投资者预期，货币政策通过调节市场流动性和利率水平，共同作用于金融市场，缓解了疫情对金融市场的冲击，促进了金融市场之间的稳定联动。美国政府的大规模财政刺激计划和美联储的激进货币政策，对股票市场、债券市场和外汇市场之间的联动关系产生了重要影响；中国政府的积极财政政策和稳健货币政策，也有效地调节了中国金融市场之间的联动关系，保持了金融市场的稳定。6.2对投资者的启示在新冠疫情背景下，金融市场呈现出复杂多变的联动效应，这为投资者的资产配置和风险管理带来了新的挑战与机遇。基于前文的研究结论，投资者可从以下几个方面优化投资策略。投资者应充分认识到金融市场联动效应下资产配置多元化的重要性。鉴于股票市场在金融市场联动中处于核心地位且与多个市场紧密关联，投资者不应过度集中投资于股票市场，而应将资产合理分散到股票、债券、外汇、大宗商品等多个金融市场，以降低单一市场波动对投资组合的影响。在股票投资方面，可进一步分散投资于不同国家和地区的股票市场。由于美国股票市场对全球股票市场具有显著影响，投资者在配置美国股票的同时，也应关注其他国家和地区股票市场的投资机会，如欧洲、亚洲等地区的股票市场。不同地区的股票市场受到疫情和经济形势的影响程度不同，通过分散投资可以在一定程度上平衡风险和收益。债券市场作为相对稳定的投资领域，在资产配置中具有重要作用。投资者应根据自身风险承受能力和投资目标，合理配置不同国家和期限的债券。在疫情期间，各国债券市场的表现受到货币政策和经济形势的影响有所差异。投资者可以通过分析各国经济数据和货币政策走向，选择合适的债券进行投资。对于风险偏好较低的投资者，可以增加国债等低风险债券的配置比例，以保障投资组合的稳定性；而对于风险承受能力较高的投资者，可以适当配置一些信用债券，以获取更高的收益。外汇市场和大宗商品市场与其他金融市场的联动关系也为投资者提供了多元化投资的选择。投资者可以关注外汇市场中不同货币的汇率波动，通过外汇交易或投资外汇相关金融产品，实现资产的保值增值。在大宗商品市场，黄金和白银等贵金属具有避险属性，在金融市场动荡时期往往能够发挥稳定投资组合的作用。投资者可以根据市场情况，合理配置黄金、白银等贵金属资产，以对冲其他资产的风险。投资者应密切关注疫情发展动态和宏观经济形势，及时调整投资组合。疫情的发展具有不确定性，其对金融市场的影响也在不断变化。在疫情爆发初期，股票市场的下跌可能引发债券市场和外汇市场的相应变